Herramientas de usuario

Herramientas del sitio


ia:start

Diferencias

Muestra las diferencias entre dos versiones de la página.

Enlace a la vista de comparación

Ambos lados, revisión anterior Revisión previa
Próxima revisión
Revisión previa
ia:start [2017/12/24 11:42]
Joaquín Herrero Pintado [Más información]
ia:start [2024/02/27 13:14] (actual)
Joaquín Herrero Pintado [Espacio [IA] Inteligencia Artificial]
Línea 3: Línea 3:
 {{indexmenu>:​ia#​1|tsort}} {{indexmenu>:​ia#​1|tsort}}
  
-====== Teorías ======+ 
 La IA es una ciencia que se ocupa del diseño de sistemas de computación capaces de mostrar características que asociamos a la inteligencia en el comportamiento humano: comprensión del lenguaje, razonamiento,​ aprendizaje y resolución de problemas, entre otros. La IA es una ciencia que se ocupa del diseño de sistemas de computación capaces de mostrar características que asociamos a la inteligencia en el comportamiento humano: comprensión del lenguaje, razonamiento,​ aprendizaje y resolución de problemas, entre otros.
  
-Existen varios paradigmas teóricos ​sobre la Inteligencia Artificial+En 1956, John McCarthy acuñó la expresión «inteligencia artificial»,​ y la definió como «la ciencia e ingenio de hacer máquinas inteligentes,​ especialmente programas de cómputo inteligentes».5 
 + 
 +Para Nils John Nilsson son cuatro los pilares básicos en los que se apoya la inteligencia artificial:​ 
 + 
 +  * Búsqueda del estado requerido en el conjunto de los estados producidos por las acciones posibles. 
 +  * Algoritmos genéticos (análogo al proceso de evolución de las cadenas de ADN). 
 +  * Redes neuronales artificiales (análogo al funcionamiento físico del cerebro de animales y humanos). 
 +  * Razonamiento mediante una lógica formal análogo al pensamiento abstracto humano. 
 + 
 +También existen distintos tipos de percepciones y acciones, que pueden ser obtenidas y producidas, respectivamente,​ por sensores físicos y sensores mecánicos en máquinas, pulsos eléctricos u ópticos en computadoras,​ tanto como por entradas y salidas de bits de un software y su entorno software. 
 + 
 +Varios ejemplos se encuentran en el área de control de sistemas, planificación automática,​ la habilidad de responder a diagnósticos y a consultas de los consumidores,​ reconocimiento de escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina en campos como economía, medicina, ingeniería y la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia, como ajedrez de computador, y otros videojuegos. 
 + 
 +[[{|width:​10em}concepto-de-inteligencia|EL concepto de Inteligencia]] 
 +[[{|width:​10em}searle-habitacion-china|Alan Turing: El Test de Turing]] 
 +[[{|width:​10em}test-turing|John Searle: La habitación china]] 
 +[[{|width:​10em}narrativas-ia|Metáforas ​sobre la Inteligencia Artificial]]  
 +[[{|width:​10em}embodied-ai|¿Es necesario que una IA tenga cuerpo?]]  
 + 
 + 
 +[[{|width:​10em}ia-argumentacion|Argumentación e Inteligencia Artificial]] 
 +[[{|width:​10em}riesgos-ia|Riesgos de la Inteligencia Artificial]] 
 +[[{|width:​10em}usos-ia|La Inteligencia Artificial en la práctica]] 
 +[[{|width:​10em}ai2050-hard-problems|Los "​problemas fuertes"​ de la IA]]  
 + 
 +[[{|width:​10em}etica-ia|Ética e Inteligencia Artificial]] 
 +[[{|width:​10em}politica-ia|Política e Inteligencia Artificial]] 
 +[[{|width:​10em}sociedad-ia|Sociedad e Inteligencia Artificial]] 
 + 
 + 
 + 
  
-===== Redes Neuronales Produndas ===== 
  
-LLamadas Deep Neural Networks, DNNs, o Deep Learning 
  
-[[https://​en.wikipedia.org/​wiki/​Deep_learning#​Deep_neural_networks|redes neuronales profundas]] con muchas capas y millones de conexiones y que son entrenadas mediante el proceso denominado [[https://​en.wikipedia.org/​wiki/​Stochastic_gradient_descent|Stochastic Gradient Descent (SDG)]] 
  
 ===== Algoritmos Evolutivos ===== ===== Algoritmos Evolutivos =====
Línea 21: Línea 50:
   * [[https://​es.wikipedia.org/​wiki/​Programaci%C3%B3n_evolutiva|programación evolutiva]]   * [[https://​es.wikipedia.org/​wiki/​Programaci%C3%B3n_evolutiva|programación evolutiva]]
   * [[https://​es.wikipedia.org/​wiki/​Programaci%C3%B3n_gen%C3%A9tica|programación genética]]   * [[https://​es.wikipedia.org/​wiki/​Programaci%C3%B3n_gen%C3%A9tica|programación genética]]
 +[[https://​arxiv.org/​abs/​1806.05695|Evolving simple programs for playing Atari games]]
  
 http://​www.aetsa.org/​download/​publicaciones/​antiguas/​AETSA_2009-6_Algoritmos_geneticos.pdf http://​www.aetsa.org/​download/​publicaciones/​antiguas/​AETSA_2009-6_Algoritmos_geneticos.pdf
- 
-===== Sistemas Expertos ===== 
- 
  
  
Línea 36: Línea 63:
 {{nnviz.png?​400|}} {{nnviz.png?​400|}}
  
-====== Topologías =====+===== Topologías =====
  
 {{:​ia:​neuralnetworks.png?​400|}} {{:​ia:​neuralnetworks.png?​400|}}
  
-====== Función de activación ​======+===== Función de activación =====
  
 En redes computacionales,​ la Función de Activación de un nodo define la salida de un nodo dada una entrada o un conjunto de entradas. Se podría decir que un circuito estándar de computador se comporta como una red digital de funciones de activación al activarse como "​ON"​ (1) u "​OFF"​ (0), dependiendo de la entrada. Esto es similar al funcionamiento de un [[https://​es.wikipedia.org/​wiki/​Perceptr%C3%B3n|Perceptrón]] en una [[https://​es.wikipedia.org/​wiki/​Red_neuronal_artificial|Red neuronal artificial]]. En redes computacionales,​ la Función de Activación de un nodo define la salida de un nodo dada una entrada o un conjunto de entradas. Se podría decir que un circuito estándar de computador se comporta como una red digital de funciones de activación al activarse como "​ON"​ (1) u "​OFF"​ (0), dependiendo de la entrada. Esto es similar al funcionamiento de un [[https://​es.wikipedia.org/​wiki/​Perceptr%C3%B3n|Perceptrón]] en una [[https://​es.wikipedia.org/​wiki/​Red_neuronal_artificial|Red neuronal artificial]].
Línea 46: Línea 73:
 --- https://​es.wikipedia.org/​wiki/​Funci%C3%B3n_de_activaci%C3%B3n --- https://​es.wikipedia.org/​wiki/​Funci%C3%B3n_de_activaci%C3%B3n
  
-===== Neurona sigmoidal ​======+===== Neurona sigmoidal =====
  
 [[https://​www.google.es/​search?​client=firefox-b&​dcr=0&​ei=8nouWsuqDYyxUYDelNgO&​q=1%2F%281%2Be**-z%29&​oq=1%2F%281%2Be**-z%29&​gs_l=psy-ab.3..0i30k1l4j0i5i30k1l2j0i8i30k1l4.5875.7137.0.7442.3.3.0.0.0.0.78.225.3.3.0....0...1c.1.64.psy-ab..0.3.223...0i8i7i30k1.0.JNslg0aRqmI|Gráfico de 1/​​(1+​e^​‑z)]] [[https://​www.google.es/​search?​client=firefox-b&​dcr=0&​ei=8nouWsuqDYyxUYDelNgO&​q=1%2F%281%2Be**-z%29&​oq=1%2F%281%2Be**-z%29&​gs_l=psy-ab.3..0i30k1l4j0i5i30k1l2j0i8i30k1l4.5875.7137.0.7442.3.3.0.0.0.0.78.225.3.3.0....0...1c.1.64.psy-ab..0.3.223...0i8i7i30k1.0.JNslg0aRqmI|Gráfico de 1/​​(1+​e^​‑z)]]
Línea 66: Línea 93:
 Ejemplo en [[https://​play.golang.org/​p/​vooYHLrwJS|Go Playground]] Ejemplo en [[https://​play.golang.org/​p/​vooYHLrwJS|Go Playground]]
  
-====== Entrenamiento de una red neuronal ​======+===== Entrenamiento de una red neuronal =====
  
  
  
-===== Supervisado ​=====+==== Supervisado ====
  
 Con vistas al **entrenamiento supervisado** de la red neural que desarrollamos hay que elaborar un conjunto de datos de entrenamiento procedentes de datos reales. Con vistas al **entrenamiento supervisado** de la red neural que desarrollamos hay que elaborar un conjunto de datos de entrenamiento procedentes de datos reales.
  
-===== No supervisado ​=====+[[https://​stanford.edu/​~shervine/​teaching/​cs-229/​cheatsheet-supervised-learning.html|Supervised Learning cheatsheet]] 
 + 
 +==== No supervisado ====
  
 Al ser un software conversacional hay que identificar qué interacciones suponen un refuerzo positivo y un refuerzo negativo a las respuestas proporcionadas por la NN. Al ser un software conversacional hay que identificar qué interacciones suponen un refuerzo positivo y un refuerzo negativo a las respuestas proporcionadas por la NN.
  
-====== Algoritmo de back-propagation ​======+[[https://​stanford.edu/​~shervine/​teaching/​cs-229/​cheatsheet-unsupervised-learning.html|Unsupervised Learning cheatsheet]] 
 + 
 +===== Ejemplos ===== 
 + 
 +http://​cs.stanford.edu/​people/​karpathy/​convnetjs/​ 
 + 
 +ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you're training. No software requirements,​ no compilers, no installations,​ no GPUs, no sweat.  
 + 
 +===== Algoritmo de back-propagation =====
  
   * https://​www.youtube.com/​watch?​v=q555kfIFUCM   * https://​www.youtube.com/​watch?​v=q555kfIFUCM
Línea 94: Línea 131:
  
  
-===== Argumentación en IA ===== 
- 
-Libro de Rahwan & Simari (eds) //​Argumentation in Artificial Inteligence//,​ Springer2009 
  
  
Línea 117: Línea 151:
 Existe una iniciativa para crear componentes de fuente abierta para aplicar la inteligencia artificial al desarrollo de software. El proyecto se llama [[https://​sourced.tech/​|source{d}]] y, en palabras del exingeniero de Google que se ha unido al proyecto: ​ Existe una iniciativa para crear componentes de fuente abierta para aplicar la inteligencia artificial al desarrollo de software. El proyecto se llama [[https://​sourced.tech/​|source{d}]] y, en palabras del exingeniero de Google que se ha unido al proyecto: ​
  
-<​html>​ +"​Machine Learning will revolutionize how we analyze programs. There’s a never-ending list of use cases that could benefit from ML over source code and (one day) source code generation from unit tests or even natural language specifications" ​\\ 
-<​blockquote class="​twitter-tweet"​ data-cards="​hidden"​ data-lang="​es"><​p lang="​en"​ dir="​ltr">&​quot;​Machine Learning will revolutionize how we analyze programs. There’s a never-ending list of use cases that could benefit from ML over source code and (one day) source code generation from unit tests or even natural language specifications&​quot;​.<​br>​ <a href="https://​t.co/​s1Gr3HFGSc">​https://​t.co/​s1Gr3HFGSc</​a>​ <a href="​https://​t.co/​6gmsMAzIhi">​pic.twitter.com/​6gmsMAzIhi</​a></​p>&​mdash; ​Joaquín Herrero (@joakinen) ​<a href="https://​twitter.com/​joakinen/​status/​940865722749804544?​ref_src=twsrc%5Etfw">​13 de diciembre de 2017</​a></​blockquote>​ +--- Joaquín Herrero (@joakinen) ​https://​twitter.com/​joakinen/​status/​940865722749804544
-<script async src="​https://​platform.twitter.com/​widgets.js"​ charset="​utf-8"></​script>​ +
- +
-<script async src="​https://​platform.twitter.com/​widgets.js"​ charset="​utf-8"></​script>​ +
-</​html>​+
  
 ==== Neural Complete Framework ==== ==== Neural Complete Framework ====
Línea 132: Línea 162:
   * [[https://​github.com/​ActiveState/​neuroblast|Github:​ neuroblast]]   * [[https://​github.com/​ActiveState/​neuroblast|Github:​ neuroblast]]
   * [[http://​gopherdata.io/​post/​build_ml_powered_game_ai_tensorflow/​|ML Game using TensorFlow in Go]]   * [[http://​gopherdata.io/​post/​build_ml_powered_game_ai_tensorflow/​|ML Game using TensorFlow in Go]]
-  * [[https://​www.luis.ai/​welcome|LUIS]]+  * [[https://​www.luis.ai/​welcome|LUIS ​- Language Understanding]]
   * [[http://​vivaldi.ll.iac.es/​proyecto/​coffeebreak/?​p=1253|Ep138:​ Especial Inteligencia Artificial: Redes Neuronales; La Singularidad;​ Posthumanismo]],​ señalyruido.com   * [[http://​vivaldi.ll.iac.es/​proyecto/​coffeebreak/?​p=1253|Ep138:​ Especial Inteligencia Artificial: Redes Neuronales; La Singularidad;​ Posthumanismo]],​ señalyruido.com
   * [[http://​www.asimovinstitute.org/​neural-network-zoo/​|The Neural Network Zoo]]   * [[http://​www.asimovinstitute.org/​neural-network-zoo/​|The Neural Network Zoo]]
Línea 150: Línea 180:
     * Lecture 13. Segmentation,​ soft attention, spatial transformers     * Lecture 13. Segmentation,​ soft attention, spatial transformers
     * Lecture 14. Videos and Unsupervised Learning     * Lecture 14. Videos and Unsupervised Learning
- 
ia/start.1514115754.txt.gz · Última modificación: 2017/12/24 11:42 por Joaquín Herrero Pintado